AI Agent 量化交易工具比較：Claude Code、Codex、Pi、Hermes、龍蝦怎麼選

想用 AI Agent 幫你做台股量化交易，工具現在多到讓人選擇困難：Claude Code、Codex CLI、Cursor、Pi、Hermes、OpenClaw（俗稱「龍蝦」）都號稱能跑量化研究。好消息是，這些工具背後有一個共通點：它們都支援 Anthropic 的 Agent Skills 標準，而 FinLab 的台股能力就是一份符合該標準的 SKILL.md。換句話說，你只要安裝一次，同一份 skill 就能裝進上面任何一個工具，到處都能叫 AI 幫你抓台股資料、寫程式、跑回測。

這篇先用一張能力對照表幫你選工具，再用一個可以「叫任何一個 agent 幫你建」的代表性策略，把真實回測攤開來看。這個策略是品質、動能、低波三個因子的複合，在本文設定、2018 到 2026 這段期間，它的年化報酬（CAGR） 18.6%，輸給 0050 含息的 25.0%；但它的月索提諾比率 1.96 略高於 0050 的 1.92，最大回撤只有 -26.4%，遠淺於 0050 的 -34.0%。它的價值在風險調整後，用較淺的回撤換取接近的長期報酬，不是在絕對報酬上贏過大盤。

口徑：2018-01 到 2026-06（資料快照 2026-06-09），策略含 finlab 預設交易成本，0050 為還原價含息買進持有，純指數算術不扣成本（詳見文末回測方法）。重點先講清楚：三因子複合的 CAGR 輸 0050，贏的是日夏普（1.26 對 1.22）、月索提諾（1.96 對 1.92）與最大回撤（-26.4% 對 -34.0%）。同時，三因子複合的每一項都明顯優於只看一個估值因子的單因子做法，這是「多因子複合勝過單因子」最直接的證據。

整個過程你不需要自己寫程式：策略邏輯用中文講給 AI 聽，程式由 AI 產生、數據由 finlab 套件實跑。後面會公開貼給 AI 的提示詞、AI 產生的核心程式碼、四組持股數敏感度實測，以及可下載的完整重現腳本。先從「該選哪個工具」開始。

能跑量化研究的 AI Agent 工具，差在哪裡？

這些工具都能讓 AI 動手執行程式、抓資料、跑回測，屬於量化研究用的 AI Agent，而不是只會一問一答的聊天機器人。它們的差異主要在「跑在哪裡、長什麼樣、要不要付 token 費用、適合什麼程度的使用者」。下表把目前主流、可以接 finlab skill 的工具做能力對照：

幾個關鍵差異值得展開：

• Claude Code 是 Agent Skills 標準的原生環境，安裝 finlab skill 後 AI 會直接讀到台股資料能力，跑在終端機、適合已經習慣命令列的人。
• Codex CLI 的工程能力特別適合「策略寫到一半要大改架構」的場景，重構與多檔案修改是它的強項；做量化選股時和 Claude Code 體驗接近。
• Pi 是開源工具，最大特點是可以接本地模型。如果你不想把資料送上雲端，或想用自己的 GPU 跑模型省 token 費用，Pi 是少數能做到的選項。
• Hermes 主打長期記憶與排程：它能記住你上次調過的策略參數，也能設定「每月初自動重跑一次選股」。對想把研究流程半自動化的人很實用，實際做法見 Hermes Agent 每月自動重跑與樣本外驗證。
• OpenClaw（龍蝦） 用聊天視窗操作，是這幾個裡最適合新手的：不必開終端機，像在聊天軟體裡對話就能讓 AI 跑程式。台大李宏毅教授也曾在 AI agent 教學裡把它當作示範案例，門檻相對低。

如果你完全不想裝任何工具，還有兩條無程式碼路徑：用 ChatGPT 或 Claude app 對話，搭配瀏覽器版的 FinLab Studio 輸入選股條件直接回測。Studio 不需要安裝、不吃 token，適合先試水溫。

怎麼選？ 完全新手、不想碰終端機，從 OpenClaw 龍蝦或 FinLab Studio 開始；習慣命令列、要把量化研究當主力，用 Claude Code 或 Codex CLI；在意資料隱私、想接本地模型，選 Pi；想要每月自動重跑、長期累積策略記憶，選 Hermes。工具不同，但下一段要裝的 finlab skill 是同一份。

把 finlab 裝進你的 AI Agent：一份 skill 到處能用

finlab 的台股能力是一份遵循 Anthropic Agent Skills 標準的 SKILL.md。這個設計的好處是：你不用為每個工具學一套不同的接法，同一份 skill 裝進 Claude Code、Codex CLI、Cursor、Pi、Hermes、OpenClaw 都能用。安裝指令（所有支援 Agent Skills 的工具通用）：

npx skills add https://github.com/koreal6803/finlab-ai --skill finlab

裝好之後，AI 就具備抓台股資料、算因子、跑含成本回測的能力。如果你還在用網頁版 AI，建議改用桌面工具：ChatGPT 使用者用 Codex app，Claude 使用者用 Claude cowork，這樣 AI 才能真的執行程式。零安裝路徑則是直接開 FinLab Studio。完整的工具安裝說明集中在 AI skill 安裝頁。

最省事的開始方式，是把下面這句話貼給你的 AI，讓它依流程完成設定並建好本文的策略：

首次取台股資料時，finlab 套件會自動引導你完成登入，照套件指示操作即可，不需要手動貼任何 token。

招牌提示詞：一句話叫 AI 建三因子策略

下面這段提示詞，貼給上面任何一個裝好 finlab skill 的工具都能跑。它把「品質、動能、低波」三個因子的規格、選股數、加權方式、再平衡頻率、對照基準一次講清楚，是讓 AI 直接產出可回測程式碼的完整任務描述（複製即用）：

幫我用 finlab 建一個台股「品質＋動能＋低波」三因子策略：
ROE、120 日動能、60 日波動度三個因子各自在池內做百分位排名後相加
（低波取反向排名，波動越低分數越高），
只買近 20 日平均成交金額大於 1,000 萬的股票，
取總分前 25 檔、依分數平方加權、每月再平衡，
用 finlab 資料回測，並跟 0050 含息買進持有比較，
給我年化報酬、最大回撤、日夏普與月索提諾。

把它貼給 AI 後，一輪典型的對話像這樣：

💬 你問：

幫我用 finlab 建一個台股「品質＋動能＋低波」三因子策略：ROE、120 日動能、60 日波動度三個因子各自在池內做百分位排名後相加（低波取反向排名），只買近 20 日平均成交金額大於 1,000 萬的股票，取前 25 檔、分數平方加權、每月再平衡，並回測對照 0050 含息。

🤖 AI 回覆：

已完成回測。回測區間 2018-01 到 2026-06，含手續費 0.1425% 與賣出證交稅 0.3%：

• 策略年化報酬 18.6%，最大回撤 -26.4%，總報酬 +315%
• 日夏普 1.26、日索提諾 1.41、月索提諾 1.96
• 0050 含息年化報酬 25.0%，最大回撤 -34.0%
• 月底持股穩定在 25 檔，分數平方加權讓排名最高的股票拿到較大權重

策略的年化報酬低於 0050，但最大回撤淺了約 7.6 個百分點，月索提諾與日夏普都略高，屬於風險調整後較佳、波動較低的版本。

AI 產生的核心程式碼如下，刻意一行一個動作、附上說明，讓非工程背景的讀者也能逐步看懂它在做什麼：

import finlab
from finlab import data
from finlab.backtest import sim
 
# 首次執行會自動引導登入，不需手動貼 token
finlab.login()
 
# 1) 載入資料
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
roe = data.get("fundamental_features:ROE稅後").index_str_to_date()
roe = roe.reindex(close.index, method="ffill")  # 季財報對齊公布時點後補到日頻
 
# 2) 流動性過濾：近 20 日平均成交金額大於 1,000 萬
amount = (close * volume).rolling(20).mean()
liquid = (amount > 10_000_000) & close.notna()
 
# 3) 三個因子
quality = roe                                      # 品質：ROE，越高越好
momentum = close.pct_change(120)                   # 動能：近 120 個交易日報酬，越高越好
volatility = close.pct_change().rolling(60).std()  # 波動：近 60 日報酬標準差，越低越好
 
# 4) 池內百分位排名後相加（低波取反向排名，波動低分數高）
rank_quality = quality.where(liquid).rank(axis=1, pct=True)
rank_momentum = momentum.where(liquid).rank(axis=1, pct=True)
rank_low_vol = volatility.where(liquid).rank(axis=1, pct=True, ascending=False)
score = rank_quality + rank_momentum + rank_low_vol
 
# 5) 取總分前 25 名，依分數平方加權，每月再平衡
top25 = score.rank(axis=1, ascending=False) <= 25
weight = (score[top25].fillna(0)) ** 2
weight = weight.div(weight.sum(axis=1), axis=0)
 
report = sim(weight, resample="M", name="品質動能低波三因子")
report.display()

完整互動式回測報告（月報酬熱力圖、權益曲線、年度績效都在裡面），可以直接在這裡操作：

單因子先試水溫：為什麼只看一個估值因子不夠

在把三個因子合在一起之前，先看一個常見的起手式：只用一個估值因子選股。很多人第一次做量化選股，會直覺地「找便宜的股票」，例如只取低本益淨值比的前 25 檔。我們把這個單因子做法跑出來當對照組：

單因子做法在 2018 到 2026 這段期間，年化只有 11.4%，最大回撤卻深達 -35.3%，是三個欄位裡風險調整後最差的。問題在於單一估值因子有明顯的盲點：便宜的股票常常便宜得有理由（成長停滯、產業逆風），只看估值很容易買進一籃子「便宜但走不動」的股票，而且因子一旦失靈就沒有別的訊號補位。

把品質、動能、低波三個低相關的訊號用排名相加合成後，情況改善很多：年化從 11.4% 跳到 18.6%，最大回撤從 -35.3% 收斂到 -26.4%，日夏普與月索提諾全面提升。三個因子裡，低波因子是壓低回撤的主力，品質與動能負責提供報酬來源。這就是多因子複合的核心價值：單一因子失靈時其他因子補位，整體比押注任何一個條件都穩健。類似的多因子做法在多因子選股能不能贏 0050 的實測有另一組獨立驗證。

風險報酬的全貌放在同一張圖看更清楚，三個組合在「年化報酬對最大回撤」與夏普、索提諾上的相對位置如下：

三個因子背後的學術研究

這三個因子不是憑空挑的，各自對應行之有年的實證發現：

• 動能：Jegadeesh & Titman (1993) 在橫斷面上發現過去 3 到 12 個月的贏家股票，後續數月平均持續跑贏輸家，動能因子從此成為實證金融最常被複製的異常報酬之一。本文用 120 個交易日（約半年）報酬當動能指標。
• 品質（獲利能力）：Novy-Marx (2013) 證明獲利能力強的公司即使估值不便宜，長期報酬仍系統性較高。他用的是毛利對資產，本文用 ROE，同屬獲利能力家族但口徑不同，效果不能直接劃等號。
• 低波動：Ang, Hodrick, Xing & Zhang (2006) 記錄了「低波動異常」，過去報酬波動度較高的股票，後續報酬反而偏低，這違反「高風險高報酬」的直覺。本文用近 60 日報酬標準差衡量波動，取反向排名，讓波動低的股票拿到高分。

把這三個低相關的訊號合成，正是上一段年化從 11.4% 提升到 18.6%、回撤從 -35.3% 收斂到 -26.4% 的來源。想補齊量化交易的整體脈絡，可以先讀量化交易完整指南，想看更多現成的台股選股提示詞，可參考 AI 選股提示詞 30 條與真實回測。

回測方法與限制

這些數字是怎麼算出來的，逐項交代：

把回撤攤在時間軸上看，三因子複合在 2018 到 2026 的最深回撤是 -26.4%，控制在比 0050 的 -34.0% 更淺的範圍：

持股數敏感度：結論對參數不敏感

前 25 檔這個數字是不是剛好挑到漂亮參數？我們把持股數從前 20、前 25、前 30 一路測到前 40，其餘設定不變，結果年化報酬落在 17.0% 到 18.6%，最大回撤落在 -25.3% 到 -27.0%，月索提諾落在 1.75 到 1.96，全部都在同一個區間裡：

兩個觀察。第一，持股數從 20 拉到 40，年化只在 17% 到 18.6% 之間微調，最大回撤也只在 -25% 到 -27% 之間移動，代表這個策略的結論不是靠某一個持股數撐起來的，換個數字仍然成立。第二，前 25 檔在這幾組裡風險調整後表現最好（日夏普 1.26、月索提諾 1.96 都是最高），但和前 20、前 30 的差距很小，所以採用前 25 是合理選擇，而不是事後挑出來的最佳格。敏感度表的正確用法是確認「結論對參數不敏感」，而不是挑出最漂亮的那一格，Bailey, Borwein, López de Prado & Zhu (2014) 指出，反覆挑參數會讓回測過擬合、樣本外績效系統性低於回測值。

適合誰？不適合誰？

這個策略適合： 能接受年化輸給 0050、但想要更平穩的權益曲線與較淺回撤的人；願意每月花幾分鐘再平衡的人；以及想用一個結構清楚的多因子框架當研究起點、之後自己加減因子的人。三因子複合的最大回撤 -26.4% 仍代表 100 萬可能一度縮水到約 74 萬，但比 0050 的腰斬風險溫和。

這個策略不適合： 只看絕對報酬、想要打敗大盤年化的人（在本文設定下，它的 CAGR 確實輸 0050）；完全無法接受任何回撤的人；以及想要全自動下單、不打算自己檢查策略的人。本文的 AI Agent 工作在研究階段，幫你驗證與回測；要不要、何時把它接到券商 API 下單，由你自己判斷，也需要額外處理部位控管、實單滑價與錯單保護。

和一般看盤、下單軟體相比，這套流程的差別在於：看盤軟體偏向條件篩選與下單，量化選股系統要能處理資料、因子、含成本回測與可重現驗證。市面上六種主流台股回測軟體的完整比較（含 XQ、TradingView、MultiCharts），見台股回測工具怎麼選，與 XQ 的逐項對照另見比較頁。想看不寫程式、用 AI 對話完成完整實驗的範例，AI 量化交易實戰用三段對話示範了從直覺篩選到多因子排名的全過程。

常見問題

AI Agent 量化交易工具，新手該先用哪一個？

如果完全沒碰過終端機，從 OpenClaw 龍蝦或瀏覽器版 FinLab Studio 開始最輕鬆：龍蝦用聊天視窗操作，台大李宏毅教授也曾把它當 AI agent 教學案例；Studio 不需安裝、不吃 token，輸入條件就能回測。等熟悉流程後，再考慮轉到 Claude Code 或 Codex CLI 這類終端機工具做更深入的研究。

同一份 finlab skill 真的能裝進所有這些工具嗎？

是的，因為 finlab 的台股能力是一份符合 Anthropic Agent Skills 標準的 SKILL.md。Claude Code、Codex CLI、Cursor、Pi、Hermes、OpenClaw 都支援這個標準，所以安裝指令 npx skills add https://github.com/koreal6803/finlab-ai --skill finlab 在這些工具裡通用，裝一次就能在不同工具間切換使用，不用為每個工具重學一套接法。

Claude Code 和 Codex 做量化研究有差別嗎？

做量化選股與回測時，兩者體驗很接近，都能讓 AI 抓 finlab 資料、寫 Python、跑含成本回測。差別在於 Codex 的工程重構能力較強，適合「策略寫到一半要大改架構」的場景；Claude Code 是 Agent Skills 的原生環境，安裝 skill 後 AI 能直接讀到台股能力。對純粹的量化研究來說，決定成敗的是資料與回測引擎，模型工具只是輔助。

Pi 可以接本地模型，這對量化研究有什麼好處？

兩個好處：一是資料隱私，你的策略想法與資料不必送上雲端；二是成本，用自己的硬體跑模型可以省下雲端 token 費用，適合需要反覆迭代、跑很多輪的研究。代價是本地模型的能力通常不如最新的雲端模型，產出的程式碼可能要多檢查幾次。

不會寫 Python 也能用這些工具做量化交易嗎？

可以。本文示範的就是用中文把策略規格講給 AI 聽，程式由 AI 產生、回測由 finlab 實跑。不過看得懂基本程式對你有利，因為你能檢查 AI 有沒有用到未來資料、交易成本有沒有扣。想補底子的話，Python 量化交易教學會帶你從設定一路到第一個台股回測。

為什麼三因子的年化輸給 0050，這個策略還值得做？

因為「值不值得」要看風險調整後的表現，而不是只看年化。在本文設定、2018 到 2026 這段期間，三因子複合的年化 18.6% 確實低於 0050 的 25.0%，但它的最大回撤只有 -26.4%（0050 是 -34.0%），日夏普 1.26、月索提諾 1.96 都略高於 0050。對承受不了大盤深度回撤的人來說，用較淺的回撤換取接近的長期報酬，可能比追求最高年化更實際。

這些 AI Agent 工具可以自動幫我下單嗎？

技術上可以串券商 API，但本文的 AI Agent 工作在研究階段，不建議在策略沒有足夠長的實單觀察前就全自動化。比較穩健的順序是：回測驗證、小部位手動跟單數月、確認實際成交與回測差距可接受，再考慮自動化。其中 Hermes 的排程與記憶功能適合用來「每月自動重跑選股」，但下單與風控仍應由你把關。辨識 AI 量化話術真偽的方法，整理在 AI 量化交易詐騙怎麼辨識。

用 AI Agent 跑回測會吃很多 token 嗎？

要看工具。Claude Code、Codex CLI 走雲端模型，較複雜的研究會累積 token 用量，多數採訂閱或 API 計費；Pi 可以接本地模型，省去雲端 token 費用；OpenClaw 與 Hermes 的成本則取決於它們底層接的模型。如果只是想先試一個策略，用零成本的 FinLab Studio 或免費額度跑通流程，再決定要不要長期使用付費工具，是比較省的做法。

下載與重現

• strategy.py：三因子複合策略完整原始碼，可直接執行取得最新選股清單
• data.csv：策略與基準淨值曲線的每日數據
• metrics.json：全部指標的機器可讀快照
• 互動式回測報告：三因子複合策略

延伸閱讀：想看 AI 如何把單一句話的策略想法逐步迭代成有效規格，可參考 AI 提示詞回測策略；想了解讓 AI 自動挖掘有效因子的做法，見 AI 因子探勘 Agent；用 Qlib 搭配 finlab 做 AI 選股的另一條路徑，見 Qlib + FinLab AI 選股。

投資警語：本文僅供教學參考，不構成投資建議。文中全部回測數據（年化 18.6%、最大回撤 -26.4% 等）為 2018-01 至 2026-06 的歷史模擬，已含 finlab 預設交易成本，但未含滑價與容量限制；過去績效不代表未來表現。本策略最大回撤 -26.4%，代表 100 萬可能一度縮水至約 74 萬，請依個人風險承受度審慎評估，僅使用虧損不影響生活的閒置資金。

最後更新：2026-06｜回測區間：2018-01 ～ 2026-06（資料快照 2026-06-09）｜作者：FinLab 量化研究團隊（經量化研究員審閱）